MNL模型，即多項Logit模型，是Logit類模型的基本型式，其特點包括：
效用隨機項（εi,q）相互獨立且服從同一Gumble極值分布。
參數估計主要依靠最大似然估計法（Maximum Likelihood Estimation, MLE），這是一種在給定樣本數據的情況下，尋找使得樣本出現的機率最大的參數值的方法。
MNL模型是經濟學術語，用於描述和預測在給定一組選擇項中，個體選擇某一項的機率。該模型假設個體在做出選擇時，會考慮每個選擇項的效用，這些效用可以視為確定性部分和隨機誤差之和。MNL模型中的「IIA」（獨立性of irrelevant alternatives）假設受到一些批評，即某些選擇項的改變可能會影響其他選擇項的機率，即使這些改變對所有選擇項的影響是相同的。
為了改進MNL模型的限制和缺點，學者們提出了幾種擴展模型，包括BCL（Box-Cox Logit）模型、NL（Nested Logit）模型、Dogit模型和BCD（Box-Cox Dogit）模型等。這些模型通過變換效用計算方式、引入巢式結構或結合不同的方法，旨在改善MNL模型的性能，特別是在處理選擇項之間的依賴性和替代性方面。